张量分析入门笔记 (Tensor For Beginner)

前言

学习的时候感觉要学一下张量,在B站看了一个视频,记录一下,参考的是B站视频【机翻】张量分析入门 (Tensor For Beginner)

  • 前言
  • 1. 张量的定义 Tenson Definition
  • 2. 张量的前向和后向的转换 Forward and Backward Transformation
  • 3. 向量 Vector
  • 4. 余向量 Covector
  • 5. 线性映射 Linear Map
  • 6. 度规张量 The Metric Tensor
  • 7. 张量积 Tensor Product
  • 8. 张量积空间 Tensor Product Space
  • 9. 张量指标的上升和下降 Raising or Lowing Indexes

1. 张量的定义 Tenson Definition

张量分析入门笔记 (Tensor For Beginner)_第1张图片

引入:一只铅笔,我们让它朝着门的方向,铅笔的朝向是始终不变的(这是本质的东西),但是铅笔在不同坐标系下的坐标却不一样(哦,可能需要进行坐标变换)。
张量分析入门笔记 (Tensor For Beginner)_第2张图片
张量是不变的,但是它的坐标在不同的坐标系下是不同的(张量的坐标定义)。

张量分析入门笔记 (Tensor For Beginner)_第3张图片

张量:向量共变向量的组合使用张量积进行定义。

在这里插入图片描述
一个很直观的抽象张量的方法是从微积分的求偏导和梯度得到——雅克比矩阵。

2. 张量的前向和后向的转换 Forward and Backward Transformation

有点类似机器人学的坐标转换,旧坐标系和新坐标系的互相转换。

前向的转换(旧坐标系转换到新坐标系)
张量分析入门笔记 (Tensor For Beginner)_第4张图片
后向的转换(新坐标系转换到旧坐标系)

张量分析入门笔记 (Tensor For Beginner)_第5张图片

我们可以容易验证上面的正向和反向的转换矩阵互为逆矩阵。即 B F = I BF=I BF=I

高维的情况:

张量分析入门笔记 (Tensor For Beginner)_第6张图片

张量分析入门笔记 (Tensor For Beginner)_第7张图片
于是在高维的情况下我们也可以证明 B F BF BF相乘的矩阵是单位阵。

张量分析入门笔记 (Tensor For Beginner)_第8张图片
张量分析入门笔记 (Tensor For Beginner)_第9张图片

【上面图片 F j k F_{jk} Fjk F k j F_{kj} Fkj B i j B_{ij} Bij B j i B_{ji} Bji,作者说ppt写错了】

总结:最后就可以引出Kronecker Delta记号 δ i k \delta_{ik} δik
张量分析入门笔记 (Tensor For Beginner)_第10张图片

3. 向量 Vector

张量分析入门笔记 (Tensor For Beginner)_第11张图片
引入了向量空间,需要定义一个集合,并且定义向量内部的元素类型(比如是一个实数),向量的运算性质(数乘和加法)。

张量分析入门笔记 (Tensor For Beginner)_第12张图片
张量分析入门笔记 (Tensor For Beginner)_第13张图片

向量的正反变换为B和F,坐标的对应正反变换为F和B。

张量分析入门笔记 (Tensor For Beginner)_第14张图片
两个例子:

  • 例子1:不同基向量下的坐标(只使用数乘)

张量分析入门笔记 (Tensor For Beginner)_第15张图片
基向量长度增加了,坐标的值减少了。

  • 例子2:不同基向量下的坐标(基向量旋转)
    张量分析入门笔记 (Tensor For Beginner)_第16张图片

基向量长度不变进行顺时针旋转,相对的向量坐标的变化是相对原来的坐标系逆时针旋转,更接近 e 2 ⃗ \vec{e_2} e2 ,变化方向也是相反的。

张量分析入门笔记 (Tensor For Beginner)_第17张图片
张量分析入门笔记 (Tensor For Beginner)_第18张图片

基向量和向量分量的变换公式:
张量分析入门笔记 (Tensor For Beginner)_第19张图片
这个时候基向量分量和向量是相反的关系,我们称他是contravariant 的。

为了区分这种相反的关系,我们需要把放在向量分量的下标改为上标,提示我们它是逆变张量(当基向量变大时,对应的向量分量变小)。

张量分析入门笔记 (Tensor For Beginner)_第20张图片

4. 余向量 Covector

我们可以基本认为余向量是一个行向量。它相当于一个函数(矢量的点积)将列向量转化为一个实数:

张量分析入门笔记 (Tensor For Beginner)_第21张图片
验证加法:

张量分析入门笔记 (Tensor For Beginner)_第22张图片
验证数乘:

张量分析入门笔记 (Tensor For Beginner)_第23张图片
张量分析入门笔记 (Tensor For Beginner)_第24张图片
这个函数相当于是一个线性函数。

我们可以将这个过程进行一个可视化。

张量分析入门笔记 (Tensor For Beginner)_第25张图片
张量分析入门笔记 (Tensor For Beginner)_第26张图片

作用以后相当于求向量落在那条线上(有点类似于等高线)。

张量分析入门笔记 (Tensor For Beginner)_第27张图片
张量分析入门笔记 (Tensor For Beginner)_第28张图片

余向量有很好的数乘和加法的性质。它所在的空间可以看做是向量空间的一个对偶空间。(加法和数乘的定义不一样)

张量分析入门笔记 (Tensor For Beginner)_第29张图片

最后做一个总结:

张量分析入门笔记 (Tensor For Beginner)_第30张图片
我们可以理解为Covector协变张量就是行向量,而其向量分量是这个协变张量作用在列向量(点积)。

张量分析入门笔记 (Tensor For Beginner)_第31张图片
注意

  • 协变张量相当于一个函数关系: α : V ↦ R \alpha:V \mapsto\R α:VR
  • 协变张量不存在于向量空间 V V V
  • 我们不能像向量一样使用基向量 { e 1 ⃗ , e 2 ⃗ } \{\vec{e_1},\vec{e_2}\} {e1 ,e2 }对协变张量进行测量。

张量分析入门笔记 (Tensor For Beginner)_第32张图片

我们引入一个记号 ϵ \epsilon ϵ作为对偶基,并按上图进行定义,这样又可以引入Kronecker Delta记号 δ i k \delta_{ik} δik

张量分析入门笔记 (Tensor For Beginner)_第33张图片

ϵ \epsilon ϵ的作用是将向量投影到协变张量的方向。

张量分析入门笔记 (Tensor For Beginner)_第34张图片
协变张量 α \alpha α相当于定义了一个对偶基。几何直观是:

张量分析入门笔记 (Tensor For Beginner)_第35张图片

张量分析入门笔记 (Tensor For Beginner)_第36张图片
这里又引入Kronecker Delta记号 δ i k \delta_{ik} δik

张量分析入门笔记 (Tensor For Beginner)_第37张图片
协变张量可以有不同的表达方式
张量分析入门笔记 (Tensor For Beginner)_第38张图片
张量分析入门笔记 (Tensor For Beginner)_第39张图片
张量分析入门笔记 (Tensor For Beginner)_第40张图片

张量分析入门笔记 (Tensor For Beginner)_第41张图片

协变张量可以看到坐标分量:
2 × 2 + 1 × 1 = 5 2\times 2+1\times 1=5 2×2+1×1=5
坐标(旧坐标换到新坐标):
2 e 1 + 1 e 2 = e ~ 1 2\mathbf{e}_1+1\mathbf{e}_2={\mathbf{\tilde{e}}}_1 2e1+1e2=e~1

都是同样的变大,不存在逆变张量。

这和前面讲的逆变张量有很大的区别:旧坐标分量到新坐标分量在逆变张量用的是 B B B进行变换,反之用 F F F;旧坐标分量到新坐标分量在协变张量用的是 F F F进行变换,反之用 B B B
张量分析入门笔记 (Tensor For Beginner)_第42张图片

我们可以看看协变张量的计算规则:

张量分析入门笔记 (Tensor For Beginner)_第43张图片

ϵ \epsilon ϵ是对偶基,而 e e e是原始基。我们可以看到旧对偶基 ϵ \epsilon ϵ到新对偶基 ϵ ~ \tilde{\epsilon} ϵ~的系数矩阵和原始基 e ~ \tilde{e} e~到新基 e e e的系数矩阵差一个转置。
张量分析入门笔记 (Tensor For Beginner)_第44张图片

对于高维的情况,我们有:

张量分析入门笔记 (Tensor For Beginner)_第45张图片

因为 Q F = I QF=I QF=I B F = I BF=I BF=I,所以 Q = B Q=B Q=B。这就是说从旧的对偶基变换到新的对偶基需要使用 B B B(反向传递进行变换)。于是我们就知道 ϵ \epsilon ϵ需要使用上标,因为它和基向量 e e e的变换方向是相反的。

这是基向量和对偶向量之间的变换关系,它们的变换规则是完全相反的。

张量分析入门笔记 (Tensor For Beginner)_第46张图片

张量分析入门笔记 (Tensor For Beginner)_第47张图片
张量分析入门笔记 (Tensor For Beginner)_第48张图片
基向量变大,对应的向量分量也会变大。

下面这张图总结了前面所讲的协变和逆变变换。

张量分析入门笔记 (Tensor For Beginner)_第49张图片

5. 线性映射 Linear Map

张量分析入门笔记 (Tensor For Beginner)_第50张图片

张量分析入门笔记 (Tensor For Beginner)_第51张图片
线性映射转换输入的向量,但是不会转换基。几何直观上进行了这样的转换:

张量分析入门笔记 (Tensor For Beginner)_第52张图片

张量分析入门笔记 (Tensor For Beginner)_第53张图片

尽管输入和输出的向量可能是不一样的,但是它们都是在同一组基下进行表示的。

张量分析入门笔记 (Tensor For Beginner)_第54张图片

在线性变换的作用下,网格线仍然是平行的,均匀分布的,而且原点是不变的。但是平移不是线性变换,因为原点的位置发生了改变。

张量分析入门笔记 (Tensor For Beginner)_第55张图片
线性映射需要满足以上三点。其中后两点被称为是线性性。

加法的几何直观:

张量分析入门笔记 (Tensor For Beginner)_第56张图片
数乘的几何直观:

张量分析入门笔记 (Tensor For Beginner)_第57张图片

张量分析入门笔记 (Tensor For Beginner)_第58张图片
张量分析入门笔记 (Tensor For Beginner)_第59张图片
以上两张图片通过代数运算给出了线性映射(矩阵)的计算规则。

探究:在不同基下的坐标进行线性变换

张量分析入门笔记 (Tensor For Beginner)_第60张图片
张量分析入门笔记 (Tensor For Beginner)_第61张图片
我们不能再使用原来的基下的变换矩阵,我们需要求新的基下的变换矩阵。

张量分析入门笔记 (Tensor For Beginner)_第62张图片

张量分析入门笔记 (Tensor For Beginner)_第63张图片
张量分析入门笔记 (Tensor For Beginner)_第64张图片
于是我们的问题就可以解决了。

张量分析入门笔记 (Tensor For Beginner)_第65张图片
然后就引入了爱因斯坦求和法则:

张量分析入门笔记 (Tensor For Beginner)_第66张图片
矩阵乘一个单位阵还是自己用张量表示:
张量分析入门笔记 (Tensor For Beginner)_第67张图片

我们还可以得到线性变换反向转换的表达式:
张量分析入门笔记 (Tensor For Beginner)_第68张图片
那么现在我们就学了:

张量分析入门笔记 (Tensor For Beginner)_第69张图片

6. 度规张量 The Metric Tensor

张量分析入门笔记 (Tensor For Beginner)_第70张图片
张量分析入门笔记 (Tensor For Beginner)_第71张图片
张量分析入门笔记 (Tensor For Beginner)_第72张图片
于是这样就引出了度规张量(线性代数的二次型派上了用场)

张量分析入门笔记 (Tensor For Beginner)_第73张图片
举个例子:
张量分析入门笔记 (Tensor For Beginner)_第74张图片
张量分析入门笔记 (Tensor For Beginner)_第75张图片

张量分析入门笔记 (Tensor For Beginner)_第76张图片

于是长度我们可以计算,角度我们也可以计算。

张量分析入门笔记 (Tensor For Beginner)_第77张图片
张量分析入门笔记 (Tensor For Beginner)_第78张图片张量分析入门笔记 (Tensor For Beginner)_第79张图片
张量分析入门笔记 (Tensor For Beginner)_第80张图片

目前学到的张量。
张量分析入门笔记 (Tensor For Beginner)_第81张图片
张量分析入门笔记 (Tensor For Beginner)_第82张图片

张量分析入门笔记 (Tensor For Beginner)_第83张图片

张量分析入门笔记 (Tensor For Beginner)_第84张图片

对于度规张量的数乘。
张量分析入门笔记 (Tensor For Beginner)_第85张图片
张量分析入门笔记 (Tensor For Beginner)_第86张图片

对于度规张量的加法。

张量分析入门笔记 (Tensor For Beginner)_第87张图片

于是(0-2)型张量引出了二次型。

二次型有双线性,可以类比与余向量。

张量分析入门笔记 (Tensor For Beginner)_第88张图片
张量分析入门笔记 (Tensor For Beginner)_第89张图片
这里的双线性指的是一个输入线性变化时,另一个输入保持不变。

张量分析入门笔记 (Tensor For Beginner)_第90张图片
对于(0-2)型tensor还有以上的两个性质。

张量分析入门笔记 (Tensor For Beginner)_第91张图片
不是所有的度规形式都是张量,需要满足上一张图的两个性质。
张量分析入门笔记 (Tensor For Beginner)_第92张图片

7. 张量积 Tensor Product

先复习一下我们之前学到的张量:

张量分析入门笔记 (Tensor For Beginner)_第93张图片
张量分析入门笔记 (Tensor For Beginner)_第94张图片
一个矩阵(线性映射)如果可以分解为一个列向量(向量)和一个行向量(余向量)相乘,称它是pure的。否则是impure的。

张量分析入门笔记 (Tensor For Beginner)_第95张图片
使用标准基和对偶基我们可以构造四个基本矩阵。

张量分析入门笔记 (Tensor For Beginner)_第96张图片
所有的 2 × 2 2\times 2 2×2的矩阵都可以写作是这四个基本矩阵的线性组合。我们称这四个矩阵是KaTeX parse error: Undefined control sequence: \time at position 2: 2\̲t̲i̲m̲e̲ ̲2型矩阵(线性映射)的基。

张量分析入门笔记 (Tensor For Beginner)_第97张图片

对于线性映射我们可以重新书写一下。如上所示,得到线性映射后的元素的计算的方式。

张量分析入门笔记 (Tensor For Beginner)_第98张图片

当然线性映射也可以选择其他的基。

张量分析入门笔记 (Tensor For Beginner)_第99张图片

我们可以对pure Linear Map和Impure Linear Map重新总结一下。接下来我们就可以引入张量的记号了。

张量分析入门笔记 (Tensor For Beginner)_第100张图片

张量分析入门笔记 (Tensor For Beginner)_第101张图片

张量分析入门笔记 (Tensor For Beginner)_第102张图片

为了简化对于张量积的符号还是写作左边的这种形式。

张量分析入门笔记 (Tensor For Beginner)_第103张图片
张量分析入门笔记 (Tensor For Beginner)_第104张图片

张量积给我们看线性映射带来了新的视角。

张量分析入门笔记 (Tensor For Beginner)_第105张图片

张量积(上图右边的一个直观的表达)。

张量分析入门笔记 (Tensor For Beginner)_第106张图片
对于二次型的形式我们也可以看成是两个余向量的形式,为什么呢?余向量需要有一个向量作为输入,这点和二次型需要两个向量输入很相似。

张量分析入门笔记 (Tensor For Beginner)_第107张图片

张量分析入门笔记 (Tensor For Beginner)_第108张图片

张量积给我们看二次型带来了新的视角。

张量分析入门笔记 (Tensor For Beginner)_第109张图片
好像使用张量积表示二次型不太对?

张量分析入门笔记 (Tensor For Beginner)_第110张图片
张量分析入门笔记 (Tensor For Beginner)_第111张图片

看上面的图我们呢知道只是形式不同罢了。

张量分析入门笔记 (Tensor For Beginner)_第112张图片
关于 ⊗ \otimes 记号,分别可以作用于张量(张量积)和数组(Kronecker积)。

张量分析入门笔记 (Tensor For Beginner)_第113张图片

回顾一下标准基和对偶基。
张量分析入门笔记 (Tensor For Beginner)_第114张图片
张量积作用两个张量出来还是张量。

张量分析入门笔记 (Tensor For Beginner)_第115张图片
使用张量积我们也可以看到线性映射是怎么作用在向量上的。

张量分析入门笔记 (Tensor For Beginner)_第116张图片
张量分析入门笔记 (Tensor For Beginner)_第117张图片
上面两个图是使用Kronecker积作用在向量上。

张量分析入门笔记 (Tensor For Beginner)_第118张图片

其实两者在做类似的同样的事情,不过张量积将抽象的基也考虑进去了。

如前所述:使用张量积可以很简单地定义线性映射:

张量分析入门笔记 (Tensor For Beginner)_第119张图片

以及二次型。
张量分析入门笔记 (Tensor For Beginner)_第120张图片
接下来我们来看一些没见过的张量。

张量分析入门笔记 (Tensor For Beginner)_第121张图片
上面的图左边是(2-0)型张量,右边是(1-2)型张量。我们不禁要问:对于新的张量类型我们怎么定义坐标转换的规则?如果要计算 Q ( D ) Q(D) Q(D),乘法公式是什么?以及矩阵的形状是什么样的?

张量分析入门笔记 (Tensor For Beginner)_第122张图片
上图解决了第一个问题:新的张量怎么进行不同的坐标转换?

张量分析入门笔记 (Tensor For Beginner)_第123张图片
上图解决了第二个问题:如果要计算 Q ( D ) Q(D) Q(D),乘法公式是什么?答案是不唯一的,你有各种各样的组合方式。这样写写不清楚,我们还是需要按照爱因斯坦的求和法写出分量的表达式。

张量分析入门笔记 (Tensor For Beginner)_第124张图片

张量分析入门笔记 (Tensor For Beginner)_第125张图片
张量分析入门笔记 (Tensor For Beginner)_第126张图片
对于张量 D D D和张量 Q Q Q的表达形式如上图所示。其中 Q Q Q是一个三阶张量,可以有上面最后一图的表达方式。

张量分析入门笔记 (Tensor For Beginner)_第127张图片

张量分析入门笔记 (Tensor For Beginner)_第128张图片
矩阵的乘法在低维的张量很有用,但是在高维的情况下如前所述我们有很多种表达的形式,这是后再使用矩阵的乘法就不是特别好了。我们还是用爱因斯坦乘法来表示我们想要的张量乘法,不然容易发生混淆。

张量分析入门笔记 (Tensor For Beginner)_第129张图片

在很多情况下,我们只关注张量的分量。

张量分析入门笔记 (Tensor For Beginner)_第130张图片

现在我们再次回顾张量的乘定义,应该就很清楚了。

8. 张量积空间 Tensor Product Space

张量分析入门笔记 (Tensor For Beginner)_第131张图片
张量分析入门笔记 (Tensor For Beginner)_第132张图片
回顾:前面线性映射和二次型的例子

张量分析入门笔记 (Tensor For Beginner)_第133张图片

张量分析入门笔记 (Tensor For Beginner)_第134张图片
数乘(张量积和Kronecker积是类似的)
张量分析入门笔记 (Tensor For Beginner)_第135张图片
张量分析入门笔记 (Tensor For Beginner)_第136张图片
加法(张量积和Kronecker积是类似的)

总结一下我们有:

张量分析入门笔记 (Tensor For Beginner)_第137张图片

张量分析入门笔记 (Tensor For Beginner)_第138张图片
张量分析入门笔记 (Tensor For Beginner)_第139张图片
这在计算中很有用(参见上面两图)。

张量分析入门笔记 (Tensor For Beginner)_第140张图片张量积定义的张量积空间(上图的最后一行)

张量分析入门笔记 (Tensor For Beginner)_第141张图片

张量分析入门笔记 (Tensor For Beginner)_第142张图片
V ⊗ V ∗ V\otimes V^* VV的元素是什么?
张量分析入门笔记 (Tensor For Beginner)_第143张图片
上图说明: V ⊗ V ∗ V\otimes V^* VV的元素是(1,1)型的张量。

张量分析入门笔记 (Tensor For Beginner)_第144张图片

我们要记得向量分量用的是上标,而余向量分量使用的是下标。

张量分析入门笔记 (Tensor For Beginner)_第145张图片
将线性映射进行不同的作用我们可以映射到不同的空间。

另一个例子是二次型。
张量分析入门笔记 (Tensor For Beginner)_第146张图片

张量分析入门笔记 (Tensor For Beginner)_第147张图片
将二次型进行不同的作用我们可以映射到不同的空间。

张量分析入门笔记 (Tensor For Beginner)_第148张图片
使用不同的张量空间进行张量积我们得到不同的张量积空间。

张量分析入门笔记 (Tensor For Beginner)_第149张图片
在张量的计算中我们可以使用数乘和加法来进行计算:

张量分析入门笔记 (Tensor For Beginner)_第150张图片
张量分析入门笔记 (Tensor For Beginner)_第151张图片
这就引出了高维张量的多线性映射(一个量发生改变,但是其他的量不变,仍然保持线性性):

张量分析入门笔记 (Tensor For Beginner)_第152张图片

总结:
张量分析入门笔记 (Tensor For Beginner)_第153张图片

9. 张量指标的上升和下降 Raising or Lowing Indexes

现在我们有两个空间,我们怎么建立两个空间的关系呢?

张量分析入门笔记 (Tensor For Beginner)_第154张图片

很自然地我们可以想到将它们对应的基进行匹配:

张量分析入门笔记 (Tensor For Beginner)_第155张图片

张量分析入门笔记 (Tensor For Beginner)_第156张图片
但是这种方法并不好。因为两个坐标转换的规则不一样一个是乘以矩阵 F F F,一个是乘以矩阵 B B B
张量分析入门笔记 (Tensor For Beginner)_第157张图片
张量分析入门笔记 (Tensor For Beginner)_第158张图片
张量分析入门笔记 (Tensor For Beginner)_第159张图片
上面的图片表明( v ⃗ ⋅ \vec{v}\cdot v _)确实属于 V ∗ V^* V

张量分析入门笔记 (Tensor For Beginner)_第160张图片

张量分析入门笔记 (Tensor For Beginner)_第161张图片
不依赖于基我们就找到了两者很好的匹配关系。

张量分析入门笔记 (Tensor For Beginner)_第162张图片
张量分析入门笔记 (Tensor For Beginner)_第163张图片
类比度规张量我们可以得到( v ⃗ ⋅ \vec{v}\cdot v _)的表达式。

张量分析入门笔记 (Tensor For Beginner)_第164张图片

总结:
张量分析入门笔记 (Tensor For Beginner)_第165张图片
注意这两个不一样除非 g i j = δ i j g_{ij}=\delta_{ij} gij=δij
张量分析入门笔记 (Tensor For Beginner)_第166张图片
张量分析入门笔记 (Tensor For Beginner)_第167张图片
利用 g g g可以定义空间 V V V到空间 V ∗ V^* V的映射,反过来怎么办呢?

张量分析入门笔记 (Tensor For Beginner)_第168张图片
张量分析入门笔记 (Tensor For Beginner)_第169张图片
张量分析入门笔记 (Tensor For Beginner)_第170张图片
g g g把上标变成下标。 g \mathfrak{g} g把下标变成上标。

张量分析入门笔记 (Tensor For Beginner)_第171张图片
这样我们可以把张量空间进行各种不同的映射。

张量分析入门笔记 (Tensor For Beginner)_第172张图片
张量分析入门笔记 (Tensor For Beginner)_第173张图片
指标从上标变成下标也可以使用符号 b b b,从下标变成上标也可以使用符号 # \# #,类似于钢琴里的升调和降调。

张量分析入门笔记 (Tensor For Beginner)_第174张图片

参考:

【机翻】张量分析入门 (Tensor For Beginner)

你可能感兴趣的:(数学,笔记,张量,入门,Tensor)